Data science

ได้ยินบนถนน – 9/8/2021

ยินดีต้อนรับสู่คอลัมน์สรุป “Heard on the Street” ของ InsideBIGDATA! ในคุณสมบัติปกติใหม่ล่าสุดนี้ เราเน้นย้ำความคิดเห็นเกี่ยวกับความเป็นผู้นำทางความคิดจากสมาชิกของระบบนิเวศข้อมูลขนาดใหญ่ แต่ละฉบับครอบคลุมแนวโน้มของวันด้วยมุมมองที่น่าสนใจที่สามารถให้ข้อมูลเชิงลึกที่สำคัญเพื่อให้คุณได้เปรียบในการแข่งขันในตลาด เราขอเชิญส่งผลงานโดยเน้นที่หัวข้อเทคโนโลยีที่เราชื่นชอบ: ข้อมูลขนาดใหญ่ วิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่อง AI และการเรียนรู้เชิงลึก สนุก! การตัดสินใจที่ยุติธรรมจำเป็นต้องมีการรู้เท่าทันข้อมูล บรรยายโดย: Scott Zoldi หัวหน้าเจ้าหน้าที่วิเคราะห์ของ FICO “ในขณะที่จำนวนธุรกิจที่รวมแมชชีนเลิร์นนิงเข้ากับการตัดสินใจของพวกเขายังคงเติบโตอย่างต่อเนื่อง การทำให้แน่ใจว่าทุกคนที่เกี่ยวข้องทราบถึงความสำคัญของการรู้เท่าทันข้อมูล ซึ่งเป็นภาษาที่อยู่เบื้องหลังการตัดสินใจทางดิจิทัลด้วยเช่นกัน บ่อยครั้งที่สิ่งนี้ดูเหมือนจะไม่เป็นเช่นนั้น – เมื่อแสวงหาข้อมูลเชิงลึกที่มีคุณภาพสูงขึ้น ธุรกิจจำนวนมากทุ่มเททรัพยากรเพื่อปรับปรุงอัลกอริทึมปัญญาประดิษฐ์ (AI) หรือแบบจำลองการวิเคราะห์มากกว่าข้อมูลที่พวกเขากำลังป้อนอัลกอริทึม ตามที่ผู้รู้ข้อมูลในหมู่ผู้นำของพวกเขาตระหนัก ไม่ว่าอัลกอริธึมหรือโมเดลจะเป็นนวัตกรรมอย่างไร ผลลัพธ์ของมันจะแม่นยำพอๆ กับข้อมูลที่ได้รับเท่านั้น แทนที่จะเน้นที่แบบจำลอง เวลาส่วนใหญ่ของบริษัทควรถูกใช้ไปเพื่อให้มั่นใจว่าข้อมูลที่ป้อนให้กับอัลกอริทึมนั้นถูกต้อง ยอมรับได้ และปราศจากอคติ ความลำเอียงนั้นถูกฝังอยู่ในข้อมูล จนกว่าจะได้รับการพิสูจน์เป็นอย่างอื่น ข้อมูลทั้งหมดควรได้รับการปฏิบัติเหมือนต้องสงสัย ผู้นำธุรกิจจำเป็นต้องมี AI และนโยบายการกำกับดูแลข้อมูลที่แข็งแกร่ง ซึ่งรับประกันว่าพวกเขารู้ว่าลูกค้ามีสิทธิ์ที่จะถูกลืมหรือถอนข้อมูลออกจากแบบจำลองในอนาคต สมมติว่ามีการรวบรวมข้อมูลในมืออย่างเป็นธรรม ผู้นำของบริษัทจะต้องสามารถพิสูจน์ได้ว่าทำไมการใช้เขตข้อมูลบางเขตข้อมูลของพวกเขาและอัลกอริทึมในการประมวลผลจึงเป็นที่ยอมรับได้ หากพวกเขาต้องการให้ข้อมูลเชิงลึกที่สร้างขึ้นมีความถูกต้องและปราศจากอคติ ในขณะที่ตัวแบบการวิเคราะห์มักจะแสดงการตัดสินใจแบบไบนารี ประเด็นที่ควบคุมการใช้อย่างเหมาะสมนั้นไม่ใช่ปัญหา มีความเหมาะสม ซับซ้อน และไม่ต้องเร่งรีบ เนื่องจากบริษัทจำนวนมากขึ้นตระหนักดีว่าการตัดสินใจทางดิจิทัลเป็นประตูสู่การเปลี่ยนแปลงทางดิจิทัล ผู้นำธุรกิจและนักวิทยาศาสตร์ด้านข้อมูลจึงจำเป็นต้องตรวจสอบให้แน่ใจว่าพวกเขากำลังพูดภาษาเดียวกัน นั่นคือการรู้เท่าทันข้อมูล” เกี่ยวกับ TESLA AI Humanoid Robot คำอธิบายโดย Dr. Ben Goertzel 25 หลายปีที่ทำงานเกี่ยวกับ AI อดีตหัวหน้านักวิทยาศาสตร์ที่ Hanson Robotics และ CEO ของ SingularityNET “การประกาศของเทสลาเกี่ยวกับโครงการหุ่นยนต์ฮิวแมนนอยด์ที่มีความทะเยอทะยาน — ด้วยไทม์ไลน์ที่ก้าวร้าว แต่เห็นได้ชัดว่าไม่มีเทคโนโลยีจริงอยู่เบื้องหลัง — ได้รับการต้อนรับจากนักวิจัยด้านวิทยาการหุ่นยนต์ตัวจริงด้วยการผสมผสานระหว่างความสนุก ความงุนงง และดูถูก เหตุผลหนึ่งสำหรับสิ่งนี้: หุ่นยนต์ฮิวแมนนอยด์ – เหมือนกับการขับรถด้วยตนเองระดับ 5 เต็มรูปแบบ แต่ยิ่งกว่านั้น – เป็นแอปพลิเคชั่นที่ยากกว่าที่เคยเป็นมาในตอนแรก หลายแง่มุมของการเคลื่อนไหวและการรับรู้และปฏิสัมพันธ์ของมนุษย์ในชีวิตประจำวันซึ่งดูเหมือนชัดเจนและเป็นธรรมชาติสำหรับเราในฐานะมนุษย์ จริงๆ แล้วเป็นปัญหาที่ค่อนข้างยากจากมุมมองของวิทยาการคอมพิวเตอร์และวิทยาการหุ่นยนต์ อีกเหตุผลหนึ่ง: เป็นที่ทราบกันดีในโลกของหุ่นยนต์ว่าการสร้างหุ่นยนต์วิจัยที่น่าทึ่งซึ่งมีการสาธิตเจ๋ง ๆ เป็นเพียงส่วนเล็ก ๆ ของวิธีการสร้างหุ่นยนต์ที่สามารถทำสิ่งที่มีประโยชน์อย่างแข็งแกร่งในโลกแห่งความเป็นจริง แต่มัสค์ไม่ได้สนใจแม้แต่จะสร้างการสาธิตหุ่นยนต์ควันและกระจกเหมือนบริษัทหุ่นยนต์จริงๆ เขาเพิ่งอวดนักเต้นในชุดหุ่นยนต์! พวกเราที่ทำงานเกี่ยวกับวิทยาการหุ่นยนต์มาหลายปีและหลายสิบปีเข้าใจดีว่าฟังก์ชันการทำงานของหุ่นยนต์ฮิวแมนนอยด์ที่ Musk สัญญาไว้โดยไม่ได้ตั้งใจนั้นจริงๆ แล้วเป็นปัญหา “จอกศักดิ์สิทธิ์” ที่เป็นหัวข้อของโครงการวิจัยและพัฒนาระดับโลกจำนวนมาก และความสำเร็จดังกล่าวอาจต้องใช้ทั้งความก้าวหน้าด้านฮาร์ดแวร์อย่างจริงจัง และความก้าวหน้าที่สำคัญต่อ AGI ไม่ต้องสงสัยเลยว่าเทสลาสามารถก้าวหน้าอย่างจริงจังในพื้นที่หุ่นยนต์ฮิวแมนนอยด์ แต่ความคืบหน้าจะไม่เร็วหรือส่งมอบในระยะสั้นที่สวยงามอย่างที่มัสค์ทำให้ผู้ชมของเขาเชื่อ มีงานจริงที่ทำในทิศทางของหุ่นยนต์บริการฮิวแมนนอยด์สำหรับบ้าน สำนักงาน และโรงพยาบาล — ตัวอย่างเช่น ในโลกของฉันเอง หุ่นยนต์ Grace ที่สร้างโดย Awakening Health ซึ่งเป็นบริษัทร่วมทุนระหว่าง Hanson Robotics และ SingularityNET จะเป็นการดีกว่าที่จะชี้นำความสนใจของโลกไปยังหุ่นยนต์ฮิวแมนนอยด์จริงเหล่านี้และความท้าทายที่เกี่ยวข้องกับพวกมัน ดีกว่าการเลียนแบบหุ่นยนต์มนุษย์” สิ่งที่นักวิทยาศาสตร์ข้อมูลไม่รู้เกี่ยวกับการเพิ่มประสิทธิภาพทางคณิตศาสตร์ ความเห็นโดย Dr. Greg Glockner รองประธานและเพื่อนร่วมงานด้านเทคนิคของ Gurobi ผู้นำการวิเคราะห์แบบกำหนดคำสั่ง “มีเรื่องเล่าว่าการตัดสินใจทางธุรกิจบางอย่างซับซ้อนเกินไปสำหรับการเพิ่มประสิทธิภาพทางคณิตศาสตร์ นักวิทยาศาสตร์ด้านข้อมูลมักใช้เทคโนโลยีการเรียนรู้ของเครื่องเพียงอย่างเดียว ในขณะที่เทคโนโลยีเหล่านี้สามารถสร้างการตัดสินใจที่ทำซ้ำได้และเชื่อถือได้โดยอิงจากข้อมูลก่อนหน้า แต่ก็เสนอโซลูชันเพียงบางส่วนเมื่อมีการเปลี่ยนแปลงข้อมูล แม้ว่าจะเป็นเครื่องมือที่ยอดเยี่ยม แต่แมชชีนเลิร์นนิงไม่ควรมาแทนที่การเพิ่มประสิทธิภาพทางคณิตศาสตร์ เนื่องจากการเปลี่ยนแปลงของข้อมูลที่เกี่ยวข้องกับอุตสาหกรรม นักวิทยาศาสตร์จะต้องทำการเปลี่ยนแปลงอย่างรวดเร็วและมีประสิทธิภาพเพื่อให้แน่ใจว่าจะได้รับการพิจารณา ด้วยการเพิ่มประสิทธิภาพทางคณิตศาสตร์ นักวิทยาศาสตร์ด้านข้อมูลไม่จำเป็นต้องเขียนโค้ดใหม่ทั้งหมด แต่สามารถอัปเดตค่าข้อมูลในสมการเพื่อปรับโครงสร้างใหม่เพื่อความเชื่อถือได้และประสิทธิภาพ สำหรับการวางแผนหรือการตัดสินใจที่แนะนำใดๆ เทคโนโลยีการเพิ่มประสิทธิภาพเป็นเครื่องมือที่ดีที่สุดสำหรับนักวิทยาศาสตร์ด้านข้อมูล โดยจะปรับให้เข้ากับความต้องการทางธุรกิจที่เปลี่ยนแปลงไปและได้รับการพิสูจน์แล้วสำหรับการตัดสินใจทางธุรกิจที่ยากที่สุด” การค้าเด็ก, AI และภาคการเงิน บรรยายโดย: Mark Gazit, CEO, ThetaRay “27% ของเหยื่อการค้ามนุษย์เป็นเด็ก แรงงานบังคับสร้างผลกำไรที่ผิดกฎหมายปีละ $150 พันล้าน ถ้าไม่มีกำไรก็อยู่ไม่ได้ แต่เราจะทำให้มันไม่มีประโยชน์ได้อย่างไร? เชื่อหรือไม่ว่าธนาคารสามารถช่วยค้ามนุษย์กับการค้ามนุษย์ได้ ขณะนี้มีเทคโนโลยี AI ขั้นสูงที่สามารถตรวจจับแผนการฟอกเงินที่ซับซ้อนซึ่งซ่อนอยู่ภายในธุรกรรมที่ดูไร้เดียงสานับล้านรายการ เมื่อเร็วๆ นี้ ธนาคารใช้เทคโนโลยีดังกล่าวเพื่อตรวจหารูปแบบการโอนเงินผ่านธนาคารข้ามพรมแดนที่เกี่ยวข้องกับ 'การท่องเที่ยวเชิงการแพทย์' โดยไม่มีกิจกรรมทางธุรกิจที่ชัดเจน จากการสอบสวนพบว่าเกี่ยวข้องกับการค้าเด็ก หากธนาคารสามารถหยุดการแสวงหาผลกำไรที่ผิดกฎหมายในเชิงรุกและต่อเนื่องและแจ้งเตือนเจ้าหน้าที่ไปยังบัญชีที่น่าสงสัย ผู้ค้ามนุษย์บางคนจะถูกจับกุม และคนอื่น ๆ จะตัดสินใจว่ากิจกรรมนี้ไม่คุ้มกับความเสี่ยง เป็นสิ่งสำคัญที่ธนาคารจะต้องกดดันอาชญากรเหล่านี้” การจัดเก็บวัตถุ คำอธิบายโดย Giorgio Regni, CTO, Scality “การเติบโตอย่างมากของตลาดบริการสตรีมมิ่งได้เปลี่ยนเกม ความต้องการที่เพิ่มขึ้นมีผลกระทบต่อวิธีที่บริการสตรีมมิ่งเข้าถึงพื้นที่จัดเก็บและสำรองข้อมูล ถึงเวลาคิดใหม่ว่าโซลูชันการจัดเก็บข้อมูลที่ถูกต้องคืออะไร และเหตุใดจึงเป็นสิ่งสำคัญในกลยุทธ์การสำรองข้อมูลและการกู้คืนข้อมูลหลังภัยพิบัติของคุณ ในแง่ของปัจจัยทางธุรกิจที่หลากหลายและผลกระทบของการแพร่ระบาดนั้นสมเหตุสมผลแล้ว ที่วิธีการจัดเก็บข้อมูลบนคลาวด์แบบไฮบริดจะได้รับความนิยม ทำงานได้ดีสำหรับบริษัทสื่อที่ต้องการรักษาการจัดเก็บข้อมูลหลักภายในองค์กรด้วยเหตุผลต่างๆ รวมถึงประสิทธิภาพ ความปลอดภัย และการปฏิบัติตามข้อกำหนด ในขณะเดียวกัน ระบบคลาวด์สาธารณะก็นำเสนอบริการที่น่าสนใจซึ่งสามารถปรับปรุงข้อมูลภายในองค์กรได้ คลาวด์สาธารณะยังสามารถใช้สำหรับการทำงานร่วมกัน ตัวอย่างเช่น ผู้ผลิตเนื้อหาสามารถอัปโหลดเนื้อหาใหม่ไปยังคลาวด์สาธารณะได้อย่างง่ายดาย ด้วยการใช้บริการคลาวด์แบบไฮบริด บริษัทต่างๆ จะสามารถควบคุมข้อมูลส่วนตัวของตนได้ดียิ่งขึ้น บริษัทสามารถจัดเก็บข้อมูลที่สำคัญบนคลาวด์ส่วนตัวหรือศูนย์ข้อมูลในพื้นที่ และในขณะเดียวกันก็ใช้ประโยชน์จากทรัพยากรการคำนวณที่มีประสิทธิภาพของระบบคลาวด์สาธารณะที่มีการจัดการ ที่จัดเก็บอ็อบเจ็กต์สามารถช่วยให้องค์กรมีการรับรองความถูกต้องและความปลอดภัยที่ละเอียดยิ่งขึ้น มากกว่าโซลูชันการจัดเก็บไฟล์ทั่วไป ในเวลาเดียวกัน สิ่งนี้จะช่วยให้พนักงานของคุณมีประเภทของการสำรองข้อมูลและการกู้คืนแบบบริการตนเองที่พวกเขาต้องการในโลกที่ห่างไกลซึ่งความเร็วเป็นสิ่งสำคัญและประสิทธิภาพเป็นสิ่งสำคัญ บริษัทต่างๆ มีโอกาสมากกว่าเดิมในการจัดการการสำรองข้อมูลและการกู้คืน ผู้บริโภคกำลังสตรีมมากขึ้น และพนักงานจำนวนมากขึ้นทำงานจากที่บ้าน บริษัทต่างๆ ต้องการความสามารถในการช่วยเหลือพนักงานในการปกป้องข้อมูลของตนเองรวมถึงข้อมูลองค์กร ด้วยความเร็วและประสิทธิภาพที่เอื้ออำนวย การจัดเก็บวัตถุทำให้สิ่งนี้เป็นไปได้” โมเดลการเรียนรู้ของเครื่องที่อธิบายได้ ความเห็นโดย: Alex Keller หัวหน้า Data Science ของ Tillful “แมชชีนเลิร์นนิงที่อธิบายได้ถูกออกแบบมาสำหรับนักออกแบบโมเดล ผู้บริโภคโมเดล และหน่วยงานกำกับดูแล เพื่อเป็นแนวทางในการประมาณพฤติกรรมภายในของโมเดลต้นแบบ และวิธีและเหตุผลที่มันมาถึงการคาดการณ์ของพวกเขา โดยเฉพาะอย่างยิ่ง คำอธิบายเหล่านี้สามารถเข้าถึงได้ ไม่ใช้เทคนิคมากเกินไป และรวมเป็นลำดับความสำคัญตลอดวงจรชีวิตทั้งหมดของการสร้างแบบจำลอง — ตั้งแต่เริ่มต้น ผ่านการปรับใช้ และในรายงานขั้นสุดท้ายและการประเมินที่ส่งเสริมการตัดสินใจในท้ายที่สุด โมเดลดังกล่าวมีความจำเป็นสำหรับการสร้างวิธีการที่ครอบคลุมและแข็งแกร่งยิ่งขึ้น ซึ่งช่วยลดอคติในการตัดสินใจที่มีผลกระทบทางสังคมหรือเศรษฐกิจอย่างมีนัยสำคัญ ในด้านการเงิน พวกเขามีอำนาจในการขจัดอคติที่ทำให้สถาบันการเงินไม่ให้สินเชื่อแก่เจ้าของธุรกิจส่วนน้อย ซึ่งในอดีตเคยถูกปฏิเสธโอกาสที่เท่าเทียมกันในพื้นที่ นอกจากนี้ สถาบันการเงินสามารถควบคุมรูปแบบที่ลึกกว่าและแบบจำลองความจุที่สูงขึ้นด้วยการกำหนดแนวทางหลักในการรวบรวมข้อมูล การตรวจสอบความถูกต้อง การสร้างแบบจำลอง และการอธิบายได้ ในอดีต นักวิทยาศาสตร์ข้อมูลและนักสถิติได้ออกแบบแบบจำลองทางสถิติที่มีความจุต่ำซึ่งเหมาะสมกับความสัมพันธ์เชิงเส้น ชุดเทคนิคนี้ เช่น โหมดสารเติมแต่งทั่วไป ต้นไม้การตัดสินใจ หรือการถดถอยเชิงเส้นเป็นวิธีการแบบกล่องแก้ว โดยการสร้าง วิธีการแบบกล่องแก้วสามารถตีความได้อย่างสมบูรณ์ และสามารถอธิบายได้สำหรับความเข้าใจของมนุษย์ อย่างไรก็ตาม ด้วยการเพิ่มขึ้นของชุดข้อมูลที่มีมิติและขนาดใหญ่ขึ้น แบบจำลองที่ไม่ใช่เชิงเส้นที่มีความจุสูงขึ้นจะจับรูปแบบที่ซับซ้อนและคืนประสิทธิภาพที่ล้ำสมัย เนื่องจาก ML/AI กลายเป็นเรื่องธรรมดามากขึ้นในกระบวนการตัดสินใจในชีวิตประจำวัน จึงเป็นเรื่องสำคัญยิ่งที่บริษัทต่างๆ ปรับใช้เทคนิคต่างๆ เพื่อทำความเข้าใจพฤติกรรมของแบบจำลองที่อยู่เบื้องหลัง ในการบรรลุการอธิบายได้ เราต้องการเทคนิคในการตีความเป็นเสาหลักพื้นฐาน ดังนั้น การสร้างสรรค์นวัตกรรมอย่างต่อเนื่องและการวิจัยด้านความสามารถในการตีความได้จะเป็นองค์ประกอบที่สำคัญ ควบคู่ไปกับการวิจัยและนวัตกรรมในด้านความคงทน ความยุติธรรม และการเรียนรู้เชิงสาเหตุ ยิ่งไปกว่านั้น ความสามารถในการอธิบายได้เป็นความพยายามในการทำงานร่วมกันที่ต้องการความเชื่อมโยงระหว่างการศึกษาและการพัฒนานโยบายหลายๆ ด้าน” “ข้อมูล MacGyvering” และวิธีที่ธุรกิจสามารถใช้ข้อมูลให้เกิดประโยชน์สูงสุด โดยไม่คำนึงถึงงบประมาณหรือข้อจำกัด คำอธิบายโดย Arun Kumar, EVP Data & Insights ที่ Hero Digital “ตลอดอาชีพการงานของฉัน ฉันได้เห็นข้อมูลและ Insights แจ้งการดำเนินการที่ถูกต้องที่ขับเคลื่อนการเติบโตของธุรกิจ อย่างไรก็ตาม ฉันยังทำงานร่วมกับบริษัทต่างๆ ในหลายขั้นตอนในการเดินทางข้อมูล ไม่ใช่ทุกบริษัทที่มีชุดข้อมูลที่แข็งแกร่งที่จะใช้ ดังนั้นฉันจึงได้เรียนรู้ที่จะสร้างสรรค์โดย 'MacGyvering Data' ในโลกอุดมคติ เราทุกคนต้องการเข้าถึงข้อมูลลูกค้าอย่างอิสระที่ถูกต้อง ทันเวลา และพร้อมใช้งานในรูปแบบที่ต้องการพร้อมสำหรับการวิเคราะห์และการบริโภค แต่โลกแห่งความเป็นจริงอยู่ไกลจากที่ ข้อมูลยุ่งเหยิง ไม่สมบูรณ์ และมักจะหายไป ซึ่งเป็นที่ที่เราต้องสร้างสรรค์ แนวทางของเราคือทำงานกับข้อมูลที่ลูกค้ามีอยู่แล้ว และสร้างการทดสอบและเรียนรู้แนวทางแก้ไข ปรับใช้ข้อมูลเชิงลึกอย่างรวดเร็วจากข้อมูลที่กระจัดกระจาย ทำความเข้าใจสัญญาณเริ่มต้น และปรับใช้ชุดการดำเนินการถัดไป ทั้งหมดนี้ต้องใช้วิธีการที่คล่องแคล่วซึ่งใช้ความสามารถในการฟังสัญญาณจากข้อมูลอย่างรวดเร็วและกล้าที่จะปฏิบัติตามสัญญาณเริ่มต้นเหล่านั้น ในขณะที่เราทุกคนต้องการรอข้อมูลที่สมบูรณ์แบบ แต่แนวทางนี้นำไปสู่การปรับปรุงซ้ำๆ ซึ่งเมื่อเวลาผ่านไป จะนำไปสู่ผลกำไรทางธุรกิจที่สำคัญ ทำงานกับข้อมูลที่คุณมี สร้างบนมัน เรียนรู้จากมัน ลงมือทำเลย และในกระบวนการนั้น ให้รวบรวมมันมากขึ้น” AI/ML ใน Streaming Analytics: วิธีที่ธุรกิจสามารถตัดสินใจได้ดีขึ้น เร็วขึ้น บรรยายโดย: Conor Twomey กรรมการผู้จัดการ อเมริกาเหนือ KX & FD Technologies “บริษัทสมัยใหม่กำลังจัดการจุดข้อมูลมากกว่าที่เคยเป็นมา การเข้าถึงข้อมูลใหม่ที่รวดเร็ว ขนาดใหญ่ และหลากหลายนี้ได้เปลี่ยนโฉมธุรกิจ แต่เพื่อให้ขับเคลื่อนด้วยข้อมูลได้อย่างแท้จริง องค์กร (และผู้นำขององค์กร) ต้องเรียนรู้วิธีใช้พลังของข้อมูลนั้นเพื่อตัดสินใจอย่างมีความหมายในทันที นี้เริ่มต้นด้วยความคิดและการเปลี่ยนแปลงวัฒนธรรม ในขณะที่การแพร่ระบาดเป็นตัวเร่งให้เกิดการรู้แจ้งที่ขับเคลื่อนด้วยข้อมูลอย่างแน่นอน จากการวิจัยเมื่อเร็วๆ นี้พบว่า 27% ของบริษัทกล่าวว่าวัฒนธรรมเป็นตัวบล็อกในการลดเวลาเป็นค่าจากข้อมูลของพวกเขา และเกือบครึ่งหนึ่ง (49%) ต่อสู้กับการขาดคนและทักษะ การลงทุนในผู้มีความสามารถและเครื่องมือที่เหมาะสมเป็นสิ่งสำคัญ โดยเฉพาะอย่างยิ่งเมื่อ 90% ของผู้ตอบแบบสอบถามระบุว่าพวกเขาต้องการเพิ่มการลงทุนในโซลูชันการวิเคราะห์ข้อมูลแบบเรียลไทม์ในระยะเวลาอันใกล้ ด้วยการวิเคราะห์การสตรีมแบบเรียลไทม์ ธุรกิจต่างๆ สามารถเชื่อมช่องว่างระหว่างข้อมูลในอดีต ไม่ว่าจะอยู่ในระบบเดิม ระบบภายในองค์กร หรือที่มากกว่าปกติในคลาวด์ และข้อมูลแบบเรียลไทม์ เมื่อเร็วๆ นี้ การเปิดตัวปัญญาประดิษฐ์ (AI) แมชชีนเลิร์นนิง (ML) และวิทยาศาสตร์ข้อมูล ได้สร้างโมเมนตัมและโอกาสใหม่ๆ ในการวิเคราะห์การสตรีม รายงานโดย Gartner อธิบายว่า 'เมื่อสิ้นสุด 2024, 50% ขององค์กรจะเปลี่ยนจากการนำร่องไปสู่การดำเนินงาน AI ขับเคลื่อนข้อมูลการสตรีมและโครงสร้างพื้นฐานการวิเคราะห์เพิ่มขึ้น 5 เท่า' เทคโนโลยีที่ปรับปรุงความฉลาดอย่างต่อเนื่องด้วย AI/ML นั้นล้ำหน้าอยู่แล้ว โดยสร้างความเป็นไปได้ใหม่ๆ ในการปรับปรุงความยืดหยุ่น ลดไซโลข้อมูล และให้ข้อมูลเชิงลึกที่มีความหมายมากขึ้นซึ่งจะตอบสนองต่อสภาวะตลาดใหม่โดยอัตโนมัติ และบริษัทที่คล่องตัวและให้ความสำคัญกับข้อมูลเป็นหลักซึ่งใช้ประโยชน์จากเครื่องมือเหล่านั้นก็มีความสามารถที่จำเป็นมากในการจัดเรียงข้อมูล รับข้อมูลเชิงลึกที่ชาญฉลาด และแก้ปัญหาได้มากขึ้น ทำให้พวกเขาตัดสินใจได้เร็วขึ้นและเป็นไปตามเหตุการณ์” ความซับซ้อนของการย้ายไปป์ไลน์ข้อมูลเดิมไปยังคลาวด์ บรรยายโดย: Mark Cusack, CTO ของ Yellowbrick “ในขณะที่การนำระบบคลาวด์มาใช้เติบโตเต็มที่ เราก็เริ่มเห็นรูปแบบการปรับใช้ใหม่ๆ องค์กรต่างๆ มองข้ามเป้าหมายคลาวด์เดียว และกำลังวางแผนและปรับใช้กลยุทธ์มัลติคลาวด์ การล็อคผู้ให้บริการระบบคลาวด์รายใดรายหนึ่งทำให้เกิดความเสี่ยงจากความพร้อมใช้งานและมุมมองด้านต้นทุน และยังหมายความว่าองค์กรไม่สามารถใช้ประโยชน์จากบริการคลาวด์ที่ดีที่สุดที่ CSP แต่ละรายนำเสนอได้ นักประดิษฐ์ตัวจริงกำลังก้าวไปอีกขั้น และเริ่มมองหาการใช้งานแอพพลิเคชั่นและบริการที่ขอบเครือข่าย เราจะเห็นการเติบโตอย่างรวดเร็วของข้อมูลที่ขอบในอีกไม่กี่ปีข้างหน้าโดย Gartner คาดการณ์ว่า 50% ของข้อมูลทั้งหมดจะถูกสร้างขึ้นนอกสาธารณะ ศูนย์ข้อมูลคลาวด์โดย 90 แรงขับเคลื่อนของการเติบโตนี้คืออุปกรณ์ที่เชื่อมต่อ IoT การเปิดตัวเครือข่าย 5g และการเพิ่มขึ้นของบริการเฉพาะตำแหน่ง เพื่อช่วยจัดการกับการเติบโตที่เอดจ์นี้ มัลติคลาวด์จะขยายขอบเขตให้กลายเป็นคลาวด์แบบกระจาย ซึ่งมีการใช้งานโครงสร้างพื้นฐานคลาวด์สาธารณะ บริการ และ API เดียวกันในทุกที่ การรักษาโครงสร้างพื้นฐานร่วมกันจะช่วยลดความซับซ้อนของการผสานรวมจากขอบไปยังศูนย์ และจะช่วยให้มีแนวทางการรักษาความปลอดภัยที่สม่ำเสมอและการกำกับดูแลข้อมูล ระบบนิเวศเชิงวิเคราะห์จะปรับให้เข้ากับโมเดลคลาวด์แบบกระจาย ปรับใช้การวิเคราะห์ ณ จุดที่ต้องการ โดยยึดตามแรงโน้มถ่วงของข้อมูล เวลาแฝง และข้อกำหนดอธิปไตย บริษัทจำเป็นต้องเริ่มคิดถึงความท้าทายและโอกาสที่ข้อมูลที่กระจายอย่างกว้างขวางจะเกิดขึ้นในอนาคต และผู้ขายจะต้องพัฒนาผลิตภัณฑ์ที่ผสานรวมและจัดการข้อมูล การวิเคราะห์ และบริการที่แตกต่างกันทั่วทั้งระบบคลาวด์แบบกระจาย” Life at the Edge: กุญแจสู่ความสำเร็จของ AI บรรยายโดย: Bill Scudder, SVP และผู้จัดการทั่วไปของ AIoT Solutions, AspenTech “หนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดเมื่อพูดถึงการใช้งาน AI ในโลกแห่งความเป็นจริงคือความไม่ยืดหยุ่น Edge AI มีกรณีการใช้งานที่เป็นไปได้อย่างไม่จำกัด โซลูชันและแอปพลิเคชันแตกต่างกันไปตั้งแต่สมาร์ทวอทช์ไปจนถึงสายการผลิต และตั้งแต่การขนส่งไปจนถึงอาคารอัจฉริยะและเมืองต่างๆ ในกรณีของการผลิต การนำ AI มาสู่ขอบเพื่อตรวจสอบกระบวนการผลิตช่วยให้ผู้ปฏิบัติงานลดปัญหาการผลิตที่ร้ายแรงและเพิ่มประสิทธิภาพการทำงานได้ ในสถานการณ์ที่องค์กรกำลังปรับใช้เซ็นเซอร์หลายแสนตัวหรืออาจต้องเผชิญกับการสูญเสียการผลิตหลายล้านดอลลาร์ภายในไม่กี่นาที – Edge AI เป็นสิ่งสำคัญ” ธุรกิจสร้างผู้นำที่มีความรู้ด้านข้อมูล บรรยายโดย: Merav Yuravlivker – CEO และผู้ร่วมก่อตั้ง Data Society “ขั้นตอนแรกในการสร้างผู้นำที่มีความรู้ด้านข้อมูลคือการช่วยให้พวกเขาคิดเกี่ยวกับข้อมูลอย่างมีกลยุทธ์ ผู้บริหารและผู้จัดการหลายคนไม่กล้าใช้ข้อมูลเพราะพวกเขารู้สึกไม่สบายใจกับข้อมูลนั้นและอาจไม่คุ้นเคยกับคำศัพท์และศักยภาพ ด้วยการให้โอกาสพวกเขาเรียนรู้วิธีใช้ประโยชน์จากเครื่องมือข้อมูล เทคนิค และกลยุทธ์ พวกเขาจะนำไปใช้เพื่อพัฒนาวัฒนธรรมการให้ข้อมูลทั่วทั้งองค์กร เราได้เห็นโซลูชันการฝึกอบรมของเราให้ความรู้และเตรียมผู้นำด้วยทักษะที่จำเป็นต่อการประสบความสำเร็จ และเมื่อผู้นำได้รับข้อมูลข่าวสารแล้ว พวกเขาก็จะสร้างการเปลี่ยนแปลงทางความคิดที่นำไปสู่การดำเนินงานที่คล่องตัวยิ่งขึ้นและทีมที่คล่องตัว” ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button